USO DE IMAGENS DE ALTA RESOLUÇÃO PARA AVALIAÇÃO DE...

Soc. Bras. de Arborização Urbana REVSBAU, Piracicaba – SP, v.7, n.1, p. 159-181, 2012

USO DE IMAGENS DE ALTA RESOLUÇÃO PARA AVALIAÇÃO DE ÁREAS

VERDES NA CIDADE DE SÃO PAULO, BRASIL

Juliana Amorim da Costa1, Demóstenes Ferreira da Silva Filho2, Jefferson Lordello Polizel3

(recebido em 13.09.2011 e aceito para publicação em 15.03.2012)

RESUMO

A presença de áreas verdes nas cidades traz inúmeras melhorias a estas e melhora a

qualidade de vida do cidadão, exercendo funções estéticas, de lazer e educacional. O

crescimento das cidades brasileiras não foi acompanhado por um planejamento urbano que

reservasse espaços para o verde, como é o caso da cidade de São Paulo, uma metrópole

que possui problemas sociais e ambientais. As ferramentas de geoprocessamento e

sensoriamento remoto vêm sendo utilizadas com sucesso para analisar o tecido urbano e,

em especial, a arborização presente na cidade. Assim, fez-se uso de imagens de alta

resolução, dos satélites Ikonos e Quickbird, dos anos de 2002, 2004, 2006 e 2008, para

avaliar quanto ao quesito arborização três regiões da cidade de São Paulo: subprefeitura da

Mooca, subprefeitura da Sé e subprefeitura de Pinheiros. Para isto foram aplicados

diferentes métodos de obtenção de dados físicos do tecido urbano, por meio de técnicas de

classificação de imagens de alta resolução, juntamente com a aplicação do Índice de

Floresta Urbana. O método de classificação que demonstrou ser o mais adequado para este

trabalho foi o Stepwise Linear e a região que obteve melhor índice de floresta urbana foi a

da subprefeitura de Pinheiros.

Palavras-chave: Sensoriamento remoto; Classificação automática; Arborização urbana;

Índice de floresta urbana.

1 Mestre em Ciências na Área de Recursos Florestais e Gestora Ambiental pela Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo, Piracicaba, SP – [email protected]. 2 Professor Doutor, Departamento de Ciências Florestais, Escola Superior de Agricultura “Luiz de Queiroz” – Universidade de São Paulo, Piracicaba, SP – [email protected] 3 Técnico do Laboratório de Métodos Quantitativos, Departamento de Ciências Florestais, Escola Superior de Agricultura “Luiz de Queiroz” – Universidade de São Paulo, Piracicaba, SP – [email protected]

giovana

Caixa de texto

ISSN 1980-7694 ON-LINE

COSTA ET AL. 160


USE OF HIGH-RESOLUTION IMAGES TO EVALUATE GREEN AREAS IN THE

CITY OF SAO PAULO

ABSTRACT

The presence of green areas in the cities brings uncountable improvements to them and also

makes better citizen’s life, with esthetical, leisure and educational functions. The Brazilian

cities growth was not supported by an urban planning that could have reserved green areas,

as it is in São Paulo city, a metropolis which has social and environment problems.

Geoprocessing and remote sensing have been used successfully to evaluate urban area

and, specially, urban forestry presence. Thus, it was used high definition images, Ikonos and

Quickbird satellites, the years 2002, 2004, 2006 e 2008, to evaluate the item urban forestry

in three zones of São Paulo, using the concept of greenways: Mooca’s administrative region,

Sé’s administrative region and Pinheiros’s administrative region. For this, it was evaluated

many methods to obtain physical data from São Paulo city urban area, through high-

resolution image classification techniques and with the implementation of the Urban Forest

Index. The method Stepwise Linear proved to be most appropriate for this research and the

Pinheiros’s administrative region had the best value for Urban Forest Index.

Keywords: Remote sensing; Automatic classification; Urban forestry; Urban forest index

INTRODUÇÃO

A cidade de São Paulo é uma das maiores cidades mundiais e concentra mais de

dez milhões de pessoas (INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA,

IBGE, 2007). Entretanto sua urbanização não foi alvo de uma política específica que guiasse

sua rápida expansão (BOLAFFI, 1992). E nesta urbanização não planejada, percebe-se que

foram reservados poucos espaços vazios que pudessem servir como lazer e preservação

ambiental (ALVAREZ; PENTEADO, 2006).

Como exemplos do reflexo dessa ausência de políticas públicas adequadas para a

cidade de São Paulo, podem-se citar problemas ocasionados tanto na esfera econômica,

161 Uso de imagens...


quanto nas esferas social e ambiental, resultando na degradação da qualidade de vida da

população, por meio de altos níveis de poluição, grande quantidade de resíduos,

transformação de áreas verdes em áreas impermeabilizadas, altos níveis de violência e

segregação social, comprometendo a saúde física e mental desta população, que já não

convive mais no espaço de rua, visto como um espaço de criminalidade (BRAGA, 1999;

PILOTTO, 2003).

E a implantação de áreas verdes na cidade contribui com a amenização de diversos

problemas, como ilhas de calor, enchentes e doenças respiratórias na população, do mesmo

modo que contribui com a estética da cidade, com o lazer e a educação. Desta maneira faz-

se necessário a avaliação destas áreas para um planejamento adequado da arborização

urbana.

Técnicas de sensoriamento remoto e geoprocessamento são importantes para se

conseguir informações referentes à visualização e quantificação da arborização urbana e

sua estrutura, permitindo uma avaliação periódica das áreas, constituindo-se de um método

eficiente e econômico, possibilitando uma visão total das áreas estudadas (SILVA FILHO,

2004).

Dentro do sensoriamento remoto têm-se as imagens de alta resolução. Neste item

enquadra-se, por exemplo, as imagens dos satélites IKONOS e Quickbird. O satélite

IKONOS, é operado pela empresa Space Imaging, registra a radiação eletromagnética

proveniente dos alvos em várias faixas espectrais, possuindo resolução espacial de 1m x

1m de lado de pixel. Já o satélite Quickbird é desenvolvido pela DigitalGlobe, caracteriza-se

por ser de alta precisão (QUICKBIRD, 2008). Oferece 0,61m x 0,61m de lado de pixel para

as imagens pancromáticas e 2,8m x 2,8m de lado de pixel para as imagens multiespectrais.

São necessários processamentos em imagens de satélite para a extração de alvos

urbanos das imagens de maneira satisfatória. Dentro destes processamentos têm-se, como

exemplo, processos de fusão e classificação automática de imagens.

A fusão de imagens permite manter a resolução espectral obtida com uma imagem

multiespectral com melhora de sua resolução espacial a partir de sua imagem pancromática

(CENTENO; RIBEIRO, 2007). Para este processo existem diferentes métodos.

Pinho et al (2005) apresentam três tipos de fusão realizados em imagens Quickbird:

as que utilizam um modelo de domínio espacial, as de domínio espectral e aquelas que

trabalham com operações algébricas. Este autor destacou a técnica conhecida como

Brovey, a qual obteve como resultado imagens com uma variação de cores significativa,

variando do verde brilhante ao azul escuro e diferença de tonalidade para áreas vegetadas.

COSTA ET AL. 162


Ele opera por meio de um modelo algébrico com funções aritméticas pixel a pixel, realizando

uma normalização de cores.

O processo de classificação é realizado para se obter informações da imagem que

garantam uma análise satisfatória do território. Existem variados tipos de classificação

automática, desde aquelas que necessitam de maior intervenção do usuário e a

necessidade de coleta de amostras de pixels que constituem o treinamento, as

classificações supervisionadas e aquelas que apenas necessitam da definição de alguns

parâmetros, as classificações não supervisionadas.

Dentro das classificações supervisionadas é possível citar os métodos de Máxima

Verossimilhança (Maximum Likelihood) e Stepwise Linear. O método de Máxima

Verossimilhança avalia quantitativamente a variância e a covariância dos padrões de

respostas espectrais das amostras de pixels coletadas da imagem, assumindo que possuem

uma distribuição normal e também faz uso de estatísticas de probabilidade para identificar

qual a classe que determinado pixel pertence (LILLESAND et al., 2004). Enquanto que o

método Stepwise Linear faz uso de análise linear discriminante para encontrar a classe

referente a determinado conjunto de pixels (MICROIMAGES, 2006).

Para as classificações automáticas não supervisionadas tem-se, entre outros, os

métodos K-Means e ISODATA (Iterative Self-Organizing Data Analysis). O método K-Means

agrupa os pixels na quantidade de classes definida pelo usuário, calculando o centróide de

cada classe para poder distribuir esses pixels. O método ISODATA também utiliza o valor do

centro de cada classe para agrupar os pixels, além de aplicar técnicas de fusão, exclusão e

divisão para a classificação (LILLESAND et al., 2004).

Com a utilização dessas técnicas de geoprocessamento e sensoriamento remoto

foram avaliadas as áreas verdes de três regiões da cidade de São Paulo.

Este trabalho teve como objetivo geral avaliar a arborização urbana em três

subprefeituras da cidade de São Paulo: Mooca, Sé e Pinheiros. E como objetivos

específicos:

(i) Análise de diferentes modelos de obtenção de dados físicos do tecido urbano da

cidade de São Paulo por meio de sensoriamento remoto e sistemas de informação

geográfica para a definição do melhor método para eleição de áreas prioritárias;

(ii) Análise de imagens de satélite de diferentes épocas da cidade, para verificação

das transformações das áreas verdes nas três regionais em estudo;

(iii) Aplicação do Índice de Floresta Urbana, proposto por Silva Filho et al. (2005).



MATERIAIS E MÉTODOS

Área de estudo

O município de São Paulo

O município de São Paulo possui extensão de 1.530 km² de área, altitude 780m

acima do nível do mar, localizada na latitude de 23°32.0'S e na longitude de 46°37.0'W, no

estado de São Paulo, região Sudeste, Brasil (CIDADE DE SÃO PAULO, 2008), com uma

população de 10.886.518 habitantes (IBGE, 2007). Caracterizado por clima subtropical (tipo

Cwa segundo Köppenn), com temperaturas médias anuais de 19°C.

Dentro desta região foram estudadas e analisadas as subprefeituras da Mooca, da

Sé, e de Pinheiros, que podem ser observadas na Figura 1.

Figura 1. Área de estudo

Figure 1. Study área

A subprefeitura da Mooca possui uma área de 35,2 km2 e se encontra na região leste

da cidade de São Paulo. Fazem parte desta subprefeitura os seguintes bairros: Mooca,

Água Rasa, Belém, Tatuapé, Pari e Brás, com uma população de 308.161 habitantes, de

COSTA ET AL. 164


acordo com o censo demográfico do IBGE de 2000 (PORTAL DA PREFEITURA DA

CIDADE DE SÃO PAULO, 2009), densidade demográfica de 8.754,57 hab/km2.

Localizada no centro da área de estudo, a subprefeitura da Sé engloba uma área de

26,2 km2. Esta regional é responsável pelos bairros Bom Retiro, Santa Cecília, República,

Sé, Consolação, Bela Vista, Liberdade e Cambuci, e possui uma população de 373.914

habitantes, de acordo com o censo demográfico do IBGE de 2000 (PORTAL DA

PREFEITURA DA CIDADE DE SÃO PAULO, 2009), densidade demográfica de 14.271,53

hab/km2.

A subprefeitura de Pinheiros, localizada na região oeste da cidade, possui uma área

de 31,7 km2. Os bairros que fazem parte da mesma são: Alto de Pinheiros, Pinheiros, Itaim

Bibi e Jardim Paulista. Possui 272.574 habitantes, de acordo com o censo demográfico do

IBGE de 2000 (PORTAL DA PREFEITURA DA CIDADE DE SÃO PAULO, 2009), densidade

demográfica de 8.598,55 hab/km2.

Para o trabalho foi utilizado o Centro de Métodos Quantitativos, do Departamento de

Ciências Florestais da Escola Superior de Agricultura Luiz de Queiroz (ESALQ),

Universidade de São Paulo (USP), localizado na cidade de Piracicaba, São Paulo, Brasil.

Também foram realizadas visitas de campo nas regiões estudadas.

Processamento das imagens

Nesta etapa fez-se uso de imagens do satélite IKONOS do ano de 2002,

ortorretificadas a partir do modelo digital de elevação, entregues em quatro bandas

espectrais, no domínio do visível (RGB), com as bandas vermelha (Red), verde (Green) e

azul (Blue), e do infravermelho próximo, com resolução espacial de 1 metro e resolução

radiométrica de 11 bits (MOREIRA, 2005).

Estas imagens foram adquiridas pelo Instituto Geológico, pertencente à Secretaria de

Meio Ambiente do Estado de São Paulo, no ano de 2003, por meio da FUNCATE (Fundação

de Ciência, Aplicações e Tecnologias Espaciais). Cabe ressaltar que estas imagens estão

mosaicadas, portanto, não foi possível aplicar correções radiométricas nas mesmas.

O imageamento original foi executado pelo satélite IKONOS, operado pela Space

Imaging, em outubro de 2002 e complementado por novas aquisições de imagens em 2003.

Também foram utilizadas imagens do satélite Quickbird desenvolvido pela Digital

Globe. Adquiriram-se imagens das subprefeituras da Mooca, da Sé e de Pinheiros para os

anos de 2004, 2006 e 2008. Entretanto, para o ano de 2004 a imagem disponível em



catálogo não abrangia toda a região da subprefeitura de Pinheiros. E para o ano de 2006, a

imagem disponível em catálogo não abrangia toda a área da subprefeitura da Sé, e não

havia imagem disponível para a região da subprefeitura de Pinheiros. As imagens estão no

sistema de coordenadas UTM (Universal Transverse Mercator), zona 23, datum WGS-84.

Para analisar as imagens obtidas foram utilizados os programas de

geoprocessamento ArcGIS 9.2, desenvolvido pela ESRI e TNTmips 2009, desenvolvido

pela Microimages.

Fusão das imagens Quickbird

As imagens Quickbird passaram por processo de fusão da imagem pancromática

com a multiespectral, por meio de técnicas de geoprocessamento do programa TNTmips

2009, sendo utilizado o método Brovey para tal processamento. Testes foram realizados

para saber qual combinação de bandas durante a fusão seria a mais interessante para a

análise da cobertura arbórea da região em estudo.

Os testes de fusão foram validados por meio dos testes de classificação automática

supervisionada, os quais serão explicados nos próximos itens. As imagens utilizadas para

os testes foram as Quickbird do ano de 2008.

As seguintes combinações de bandas da imagem foram analisadas:

(i) Teste 1: utilização das bandas do azul, vermelho e infravermelho próximo, mais a

banda pancromática;

(ii) Teste 2: utilização das quatro bandas multiespectrais mais a pancromática;

(iii) Teste 3: utilização das bandas verde, vermelha e do infravermelho próximo, mais

a banda pancromática.

Classificação automática de imagens de alta resolução

As classificações testadas foram a classificação supervisionada, dentro desta o

método de Máxima Verossimilhança e o método Stepwise Linear. Estes foram avaliados por

análise multivariada discreta conhecida como estatística Kappa e interpretação visual e

comparativa; e a classificação não supervisionada, fazendo uso dos métodos ISODATA e K-

Means. Estes foram avaliados por meio de comparação com as imagens originais e com os

outros métodos de classificação. O índice Kappa é obtido pelas fórmulas 1, 2 e 3 (LANDIS;

KOCH, 1977).

COSTA ET AL. 166


Pc

PcPoK

−

−=

1 (1)

N

n

Po

M

i

ij∑== 1 (2)

2

1

N

nn

Pc

M

i

ji∑=

++

= (3)

Onde: Po = proporção de concordância observada; Pc = proporção de concordância

esperada ao acaso; M = número de classes presentes na matriz de erro; nij = número de

observações na linha i e coluna j; ni+ e nj+ = totais marginais da linha i e da coluna j,

respectivamente; e N = número total de unidades amostrais contempladas pela matriz.

De acordo com Landis e Koch (1977), tem-se a seguinte interpretação desse índice

(Tabela 1):

Tabela 1 - Interpretação do índice Kappa

Table 1 – Interpretation of Kappa Index

Valores de Kappa (%) Exatidão da Classificação

0 Nula

0 - 20 Pobre

21 – 40 Fraca

41 - 60 Moderada

61 - 80 Boa

81 - 100 Ótima

Para a validação dos testes de classificação supervisionada também foi analisado o

dendrograma de cada imagem classificada.

Após realizada a classificação foi aplicado um filtro na imagem classificada, chamado

Hole-Filling, que substitui a classe de um pixel, por aquela em que se encontra a maioria das

células vizinhas, removendo aquelas que se encontram numa classe isolada. É possível

escolher qual o tamanho da área a ser filtrada e neste trabalho escolheu-se o tamanho 3x3.

As classes utilizadas foram: copa arbórea, relvado, asfalto, piso cimento, telha

cerâmica, telha cinza, telha escura, telha metálica, sombra, solo exposto e outros. Estas são

as classes utilizadas para a caracterização do uso das terras em trabalhos já realizados pelo

Laboratório de Silvicultura Urbana da ESALQ/USP.



Cálculo do Índice de Floresta Urbana

Para analisar a cobertura arbórea nas regiões de estudo foi calculado o Índice de

Floresta Urbana (IFU) proposto por Silva Filho et al. (2005). Este é um indicador para

valorização de espaços arborizados que relaciona esses espaços com os outros elementos

presentes na paisagem urbana. É obtido por meio da fórmula 4:

PACPAIIFU += (4)

Sendo que os índices PAI (proporção entre Espaço Arborizado e Espaço Livre

Impermeável) e PAC (proporção entre Espaço Arborizado e Espaço Construído) são obtidos

por meio das fórmulas 5 e 6:

( )ELIELA

ELAPAI

+= (5)

( )ECELA

ELAPAC

+= (6)

Onde: ELA representa o espaço livre arborizado (classe copa de árvore); ELI

representa o espaço livre impermeabilizado (classes asfalto e piso cimento); EC é o espaço

construído (classes telha cerâmica, telha metálica, telha escura e telha cinza).

O IFU varia entre os valores zero e dois, sendo que quanto maior o valor do índice,

maior é a porcentagem de cobertura arbórea em relação aos demais elementos do tecido

urbano (SILVA FILHO et al., 2005).

RESULTADOS E DISCUSSÃO

Fusão de imagens Quickbird

Realizou-se a fusão das bandas mutiespectrais de resolução espacial de 2,8 metros

da imagem Quickbird, em diferentes combinações, com a banda pancromática, de resolução

espacial de 0,61 metros, no programa TNTmips 2009, que possui uma função específica

para a fusão de imagens Quickbird, sendo aplicado o método Brovey.

COSTA ET AL. 168


Este método combina bandas multiespectrais de baixa resolução espacial,

representada como R (Vermelho), G (Verde) e B (Azul), de uma imagem com a banda

pancromática, de alta resolução espacial. Este método faz uso de técnicas aritméticas de

soma e multiplicação (VRABEL, 1996).

A diferente combinação das bandas das imagens multiespectrais fornece diferentes

respostas espectrais, já que são diferentes combinações de comprimentos de onda para os

mesmos alvos de uma determinada imagem.

A partir da classificação automática supervisionada realizou-se uma análise visual e

análise do dendrograma obtido pelo programa TNTmips 2009. Constatou-se que as

diferentes combinações de bandas multiespectrais utilizadas para a fusão da imagem

influenciam nos resultados de classificação automática, principalmente no que tange à

porcentagem de cada classe encontrada na imagem. Para exemplificar, segue a Tabela 2

que mostra a porcentagem de classes da subprefeitura da Mooca com os resultados para o

classificador de Máxima Verossimilhança.

Tabela 2 - Porcentagem das classes para a subprefeitura da Mooca utilizando o método de

classificação de Máxima Verossimilhança

Table 2 - Percentage of classes for the Mooca’s administrative region using the method

of Maximum likelihood Classification

Classe Teste 1 (%) Teste 2 (%) Teste 3 (%)

Piscina 0,06 0,08 0,04

Copa de Árvore 5,45 7,39 9,16

Solo Exposto 2,57 2,54 3,78

Asfalto 14,10 14,95 14,40

Relvado 7,06 2,40 10,07

Telha Escura 33,85 24,02 30,64

Telha Cerâmica 3,72 3,39 4,05

Sombra 12,81 15,85 11,96

Telha Metálica 0,25 0,23 0,60

Telha Cinza 3,84 3,79 2,40

Lago/Rio 2,17 0,01 0,42

Piso Cimento 11,71 11,66 5,90

Outros 2,41 13,70 5,58



Observa-se na classe “copa de árvore”, a de maior interesse nesse estudo, a

existência de grande diferença entre os valores de porcentagem encontrados para cada tipo

de combinação de bandas. Isso evidencia a necessidade de testes para saber qual a melhor

combinação a ser utilizada para se extrair dados de uma imagem de satélite.

Com a diferente resposta espectral dos alvos de estudo, dependendo da fusão

realizada, verifica-se a diferença na quantidade de pixels encontrados para cada classe.

Além disso, com a análise do dendrograma é possível avaliar o grau de

separabilidade dos alvos. Desta maneira, a combinação mais adequada de bandas, foi

aquela que mostrou menor separabilidade entre os alvos que possuem material semelhante

em sua constituição, como é o caso de copa de árvore e relvado, mas que apresentam alta

separabilidade entre os diferentes alvos.

Assim, constatou-se que a fusão mais adequada para extração de dados de

cobertura arbórea foi aquela com a combinação de bandas azul, vermelha e do

infravermelho próximo fusionadas com a banda pancromática (Teste 1).

Obtenção de dados físicos a partir de imagens de alta resolução

Classificadores não supervisionados

O usuário deve fornecer ao algoritmo o número de classes espectrais prováveis, a

distância mínima desejada entre os valores dos níveis digitais de duas classes e o número

de iterações realizadas. Este método faz o agrupamento de pixels homogêneos em n

classes espectrais (MOREIRA, 2005). Limitou-se o algoritmo em 13 classes e 20 iterações.

Os testes com o classificador K-Means demonstraram não ser este apropriado para

extração de dados de elementos da paisagem urbana numa imagem de alta resolução, seja

ela IKONOS ou Quickbird.

Verificou-se que o classificador faz confusão entre classes. Há áreas classificadas

como “solo exposto” que na realidade são “telhas cinza” ou “piso cimento”. Além de “telhas

cerâmicas” que foram classificadas como “relvado”. “Telha escura”, “piso cimento” e “asfalto”

foram classes não diferenciadas pelo algoritmo.

Com a análise dos dendrogramas, observou-se o grau de separabilidade entre as

classes. Constatou-se que elementos que deveriam estar com um grau de separabilidade

menor, por serem constituídos de materiais de resposta espectral semelhante, estavam

distantes e próximos a elementos de resposta espectral totalmente distinta.

COSTA ET AL. 170


A classe “copa de árvore”, seguindo o mesmo raciocínio, deveria estar próxima à

classe “relvado”, porém não apresenta esse comportamento. Aproxima-se de elementos que

deveriam ter um grau de separabilidade maior, já que suas respostas espectrais são muito

diferentes, como com a classe “cimento/concreto”.

O método de classificação não supervisionado ISODATA é similar ao K-Means, mas

incorpora critérios de divisão, combinação e descarte para as classes a fim de obter um

número satisfatório de classes de saída. Baseia-se na análise de agrupamentos onde são

identificados pixels com características similares (MICROIMAGES, 2006). Foram definidos

no programa o limite de 13 classes e 20 iterações.

Os testes com o classificador ISODATA demonstraram não ser este apropriado para

extração de dados de elementos da paisagem urbana numa imagem de alta resolução, seja

ela IKONOS ou Quickbird.

Verificou-se que o mesmo não consegue separar alguns elementos, como “telha

cerâmica” e “piscina” e não distingue outros alvos. Observou-se também uma forte mistura

entre os elementos “piso cimento”, “telha escura” e “asfalto”, e também no que se refere à

“copa de árvore” e “relvado”.

Esta confusão entre classes pelo método ISODATA também foi identificada por

Valerio et al. (2008). O autor gerou mapas temáticos de uso do solo e de qualidade da água

no Reservatório do Rio Manso em Cuiabá, MT. E comparou o classificador ISODATA com

um classificador supervsionado de Máxima Verossimilhança, utilizando imagens Landsat

TM. Este último classificador apresentou melhor correlação entre a imagem original e a

imagem classificada. No mapa de qualidade da água que possuía menos elementos para

serem classificados do que o mapa de uso do solo, o método ISODATA apresentou menor

confusão entre as classes.

Os dendrogramas dessas imagens, como no caso do classificador K-Means,

demonstraram maior separabilidade entre classes de semelhante resposta espectral, do que

entre classes com diferente resposta espectral.

Classificadores supervisionados

Classificadores automáticos supervisionados são aqueles que exigem a confecção

de um treinamento para serem aplicados. O treinamento deve coletar amostras distribuídas

por toda imagem para que seja representativo.



Os resultados obtidos com o classificador de Máxima Verossimilhança demonstraram

que o mesmo superestima a quantidade de cobertura arbórea, já que classifica áreas de

relvado e algumas áreas de solo exposto como pertencentes à classe copa de árvore.

Ribeiro e Centeno (2001) também observaram esse fato quando classificaram

imagens Landsat TM. Os autores identificaram que classes espectralmente próximas não

eram separadas no processo de classificação, exemplificando com as classes “cultura” e

“pastagem”. E concluem dizendo que uma quantidade maior de amostras no treinamento

pode gerar uma melhora do resultado.

Ouma e Tateishi (2008) em um trabalho sobre extração de dados de cobertura

arbórea em áreas urbanas, utilizando imagens Quickbird, também concluíram que o

classificador de máxima verossimilhança superestimou a quantidade de árvores urbanas. Os

autores observaram que este algoritmo possui dificuldade em distinguir estatisticamente

pixels pertencentes às classes relvado, arbusto, árvores e sombra.

O método Stepwise Linear também apresentou certa confusão entre classes, como

entre “relvado” e “copa de árvore”. Entretanto, por meio de análise visual dos testes

realizados, verificou-se que essa confusão é menor quando comparada com as

classificações realizadas com o método de Máxima Verossimilhança.

Weber, Petropoulou e Hirsch (2005) estudaram o desenvolvimento da área

metropolitana de Atenas, na Grécia, utilizando técnicas de geoprocessamento. O autor

realizou uma classificação supervisionada com o método Stepwise Linear em imagens do

satélite SPOT e verificou que este classificador conseguiu diferenciar os alvos presentes na

paisagem urbana, de acordo com características como presença/ausência de vegetação e

presença/ausência de áreas construídas. Dessa maneira demonstrou ser um classificador

adequado para áreas urbanas.

Os dendrogramas analisados mostram uma separabilidade menor entre alvos de

semelhante resposta espectral, como “copa de árvore” e “relvado” e separabilidade maior

entre aqueles com diferente resposta espectral. O classificador Stepwise Linear mostra-se

mais fiel à verdade terrestre quando se trata da classe copa de árvore, alvo de interesse

desse estudo.

Desta maneira, para a extração de dados de cobertura arbórea das regiões de

estudo foi aplicado o método Stepwise Linear para a classificação das imagens de alta

resolução.

Ressalta-se que atualmente novas técnicas de classificação também são utilizadas

para imagens de alta resolução, como a classificação orientada a objeto, a qual utiliza

diversos outros parâmetros para realizar a classificação. Destaca-se então a importância de

COSTA ET AL. 172


trabalhos que comparem essas técnicas e assim ter o conhecimento de qual apresenta

melhores resultados para cada tipo de estudo.

Quantificação de cobertura arbórea em áreas urbanas

Foram utilizadas imagens de diferentes anos das áreas de estudo para quantificar a

cobertura arbórea da região. Cabe ressaltar que as imagens foram coletadas em meses

diferentes. As imagens Quickbird são de agosto de 2004, novembro de 2006 e junho de

2008. Portanto são de diferentes épocas do ano, em que as copas podem estar mais ou

menos vigorosas, sendo assim influenciam na análise quantitativa da classe “cobertura

arbórea” e essa informação deve ser cuidadosamente considerada.

Subprefeitura da Mooca

Foi realizado um estudo de campo para caracterizar a região. Observou-se que esta

é marcada, sobretudo, por áreas comerciais, apresentando, assim, grande fluxo de pessoas

durante a semana e aos sábados, o que traz certo grau de degradação à região no que diz

respeito, principalmente, à lixo jogado nas ruas e falta de cuidado com os equipamentos

públicos. Não foi observada presença acentuada de arborização no viário. A Tabela 3

contém as porcentagens dos elementos presentes na região

Tabela 3 - Cobertura do solo da região da subprefeitura da Mooca nos anos de 2002, 2004,

2006 e 2008

Table 3 – Land cover Mooca’s administrative region in 2002, 2004, 2006 and 2008

Classe 2002 (%) 2004 (%) 2006 (%) 2008 (%)

Piscina 0,06 0,03 0,04 0,04

Copa de Árvore 2,78 1,98 4,35 3,13

Solo Exposto 9,04 2,45 4,69 4,51

Asfalto 20,60 29,53 17,50 20,10

Relvado 1,18 1,50 1,89 3,55

Telha Escura 19,31 21,78 37,53 27,41

Telha Cerâmica 12,88 1,42 6,93 2,52

Sombra 14,44 19,97 6,66 26,33

Telha Metálica 1,02 0,69 3,66 0,53



Telha Cinza 7,73 2,57 3,27 3,85

Lago/Rio - 0,60 0,42 0,15

Piso Cimento 6,72 7,51 12,62 6,67

Outros 4,25 9,99 0,45 1,22

As classificações foram avaliadas por meio da estatística Kappa (Figura 2). Na matriz

de erro, além do índice Kappa, devem ser analisados os valores apresentados por cada

classe na matriz de erro, isto é, o número de pixels representativos de cada classe. Na

matriz apresentada estes números são observados em destaque na cor vermelha. Para que

o resultado da classificação seja considerado satisfatório, estes números devem estar

dispostos como uma “escada”, representando que o maior número de pixels amostrados

naquela classe realmente pertence à mesma. Todas as matrizes de erro apresentadas,

referentes às classificações realizadas, apresentaram esse comportamento.

Todas as classificações se enquadraram como ótima, de acordo com a estatística

Kappa, como pode ser observado na Tabela 4 (LANDIS; KOCH, 1977).

Figura 2 - Matriz de erro de classificação da imagem IKONOS de 2002 para a subprefeitura

da Mooca

Figure 2 – IKONOS classified image Error Matrix to Mooca’s administrative region in 2002

COSTA ET AL. 174


Tabela 4 – Valores de Kappa e Acurácia para as classificações da subprefeitura da Mooca

Table 4 – Kappa and Accuracy values to classified images from Mooca’s administrative

region

Avaliação 2002 (%) 2004 (%) 2006 (%) 2008 (%)

Kappa 90,49 85,61 93,47 85,63

Acurácia 91,52 87,10 94,37 87,06

As classes foram distribuídas nos seguintes grupos para o cálculo do IFU (SILVA

FILHO et al., 2005):

(i) Espaços livres vegetados: copa de árvore e relvado;

(ii) Espaços livres permeáveis: solo exposto;

(iii) Espaços livres impermeáveis: piso cimento e asfalto;

(iv) Espaços construídos: telha cerâmica, telha metálica, telha escura e telha cinza;

(v) Espaços d’água: lago/rio e piscina;

(vi) Outros: sombra e outros.

Foram identificados na classe de cobertura “outros” helipontos e quadras

poliesportivas. A classe de cobertura “lago/rio” foi “mascarada” (retirada da imagem para a

classificação) na imagem IKONOS de 2002, pois estava sendo confundida fortemente com

as outras classes. Além disso, não é uma classe quantitativamente significativa para a

região.

Nuvens e sombras são fatores que prejudicam a classificação (RIBEIRO; CENTENO,

2001). Assim foi criada uma classe especial para sombra, e as nuvens foram

desconsideradas pelo classificador, aplicando-se uma máscara nessas regiões.

A classe “sombra” influencia nas porcentagens de outras classes, já que varia de

imagem para imagem, e esconde os elementos na mesma. Por isso pode-se observar na

tabela algumas variações bruscas de porcentagem em alguns elementos. Entretanto, a

principal classe de estudo, “copa de árvore”, não sofreu variações repentinas ao longo dos

anos.

Chegou-se aos seguintes resultados para o IFU (Tabela 5):



Tabela 5 - Índice de Floresta Urbana para a subprefeitura da Mooca

Table 5 - Mooca’s administrative region Urban Forest Index

Período IFU

2002 0,155945

2004 0,120363

2006 0,204238

2008 0,188283

A baixa presença de áreas arborizadas constatadas em campo foi confirmada pelo

baixo valor do IFU para o período de estudo. O índice sofreu no geral um pequeno aumento

durante os anos de 2002 a 2008, sendo que houve uma leve diminuição do ano de 2006

para o ano de 2008.

Silva Filho et al. (2005) aplicaram o IFU para nove bairros da cidade de

Piracicaba/SP. O menor valor encontrado foi para o bairro Cidade Alta, com IFU de 0,445.

Mesmo este sendo o menor valor, é superior àquele encontrado para a região da

subprefeitura da Mooca. O que demonstra a reduzida quantidade de árvores na região, e a

necessidade de políticas públicas voltadas para o aumento do verde e de educação para a

valorização de espaços vegetados na cidade.

Subprefeitura da Sé

Foi realizado um estudo de campo para caracterizar a região. Aqui há um misto de

áreas residenciais com áreas comerciais e até industriais. A região mais central apresenta-

se um tanto quanto degradada, principalmente no que se refere aos equipamentos públicos.

Não foi observada presença marcante de árvores no viário, apesar de possuir algumas

praças arborizadas, como a Praça da República. A Tabela 6 apresenta a distribuição dos

elementos presentes na subprefeitura da Sé.

COSTA ET AL. 176


Tabela 6 - Cobertura do solo da região da subprefeitura da Sé nos anos de 2002, 2004,

2006 e 2008

Table 6 - Land cover Sé’s administrative region in 2002, 2004, 2006 and 2008

Classe 2002 (%) 2004 (%) 2006 (%)* 2008 (%)

Piscina 0,03 0,04 0,03 0,03

Copa de Árvore 6,96 3,05 6,87 4,99

Solo Exposto 4,62 1,51 2,08 2,22

Asfalto 12,78 21,26 16,90 13,88

Relvado 0,80 1,47 1,60 4,51

Telha Escura 23,96 25,61 26,20 26,55

Telha Cerâmica 5,47 1,49 12,45 0,65

Sombra 10,56 31,29 9,06 35,26

Telha Metálica 2,40 0,40 3,42 0,60

Telha Cinza 3,05 7,96 3,57 2,62

Lago/Rio 13,31 - - -

Piso Cimento 12,97 4,63 14,26 5,85

Outros 3,10 1,30 3,56 2,89 *Imagem incompleta



As classes foram distribuídas nos mesmos grupos especificados na análise da

subprefeitura da Mooca. Chegou-se aos seguintes resultados para o IFU (Tabela 8):


Table 7 – Kappa and Accuracy values to classified images from Sé’s administrative region

Avaliação 2002 (%) 2004 (%) 2008 (%)

Kappa 95,47 89,25 87,72

Acurácia 96,24 92,03 89,37



Tabela 8 - Índice de Floresta Urbana para a subprefeitura da Sé

Table 8 - Sé’s administrative region Urban Forest Index

Período IFU

2002 0,379127

2004 0,184591

2008 0,342781

A baixa presença de áreas arborizadas constatadas em campo foi confirmada pelo

baixo valor do IFU para o período de estudo. O índice sofreu no geral uma diminuição de

2002 a 2004, sendo que houve um aumento do ano de 2004 para o ano de 2008.

Em comparação com o trabalho de Silva Filho et al. (2005) que aplicou o IFU para

bairros da cidade de Piracicaba/SP, o menor valor encontrado para um bairro em Piracicaba

(0,445) ainda é maior do que os valores encontrados para a região da subprefeitura da Sé.

Subprefeitura de Pinheiros

Comparando-se com as outras regiões, foi observada uma maior quantidade de

árvores no viário nessa região. Aqui predominam construções recentes e com

características residenciais.

O estudo foi prejudicado por dois fatores referentes às imagens de 2004 e 2006, pois

para esta subprefeitura a imagem referente ao ano de 2004 está incompleta e não há

imagem em catálogo para o ano de 2006. Desta maneira foram desconsideradas do cálculo

do IFU. A Tabela 9 mostra a distribuição dos elementos presentes na região.

Tabela 9 - Cobertura do solo da região da subprefeitura de Pinheiros nos anos de 2002,

2004 e 2008

Table 9 - Land cover Pinheiros’s administrative region in 2002, 2004 and 2008

Classe 2002 (%) 2004 (%)* 2008 (%)

Piscina 0,53 0,12 0,08

Copa de Árvore 6,89 6,34 7,93

Solo Exposto 10,45 2,53 1,68

Asfalto 13,57 16,07 20,76

Relvado 1,37 1,55 10,48

COSTA ET AL. 178


Telha Escura 33,14 32,02 15,31

Telha Cerâmica 7,44 2,38 1,16

Sombra 12,98 27,13 33,10

Telha Metálica 3,46 0,85 0,71

Telha Cinza 4,13 1,82 1,76

Lago/Rio - - -

Piso Cimento 6,03 7,30 5,81

Outros - 1,88 1,20

* Imagem incompleta




Table 10 – Kappa and Accuracy values to classified images from Pinheiros’s administrative

region

Avaliação 2002 (%) 2008 (%)

Kappa 92,82 82,22

Acurácia 95,40 93,27

As classes foram distribuídas nos mesmos grupos já especificados na análise das

outras subprefeituras. Foram encontrados os seguintes valores para o IFU (Tabela 11):

Tabela 11 - Índice de Floresta Urbana para a subprefeitura de Pinheiros

Table 11 - Pinheiros’s administrative region Urban Forest Index

Período IFU

2002 0,385234

2008 0,524980

A região da subprefeitura de Pinheiros foi a que apresentou maiores índices de

floresta urbana. Sendo que no período entre os anos de 2002 e 2008 houve um aumento

desse índice. Como constatado em campo como a região mais arborizada quando

comparada às outras duas subprefeituras, os valores do IFU confirmam este dado.



Em comparação com o trabalho de Silva Filho et al. (2005), a região da subprefeitura

de Pinheiros obteve IFU maior do que quatro dos nove bairros estudados na cidade de

Piracicaba/SP (Jardim Monumento, Centro, Cidade Alta e São Dimas).

CONCLUSÕES

Com a aplicação dos métodos desenvolvidos nesse trabalho foi possível realizar

análises quantitativas da arborização urbana da área de estudo. O uso de ferramentas de

geoprocessamento e sensoriamento remoto permitiram obter dados físicos do tecido urbano

da cidade de São Paulo, sendo o algoritimo Stepwise Linear o que apresentou melhores

resultados. Entretanto o tratamento e o processamento dos dados de entrada são de

extrema importância para garantir resultados compatíveis com a realidade de campo, além

da confecção de um treinamento de boa qualidade para a classificação automática

supervisionada.

A subprefeitura de Pinheiros apresentou melhor Índice de Floresta Urbana de

arborização urbana, principalmente quando comparada com as regiões das subprefeituras

da Mooca e da Sé, sendo que este índice demonstrou ser de grande utilidade para se

analisar a relação entre elementos permeáveis e elementos impermeáveis presentes numa

região e acompanhar suas modificações em diferentes anos.

AGRADECIMENTOS

Agradecemos à Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) pelo

financiamento desta pesquisa.

REFERÊNCIAS

ALVAREZ, C.E.; PENTEADO, H.M. Corredores verdes urbanos: estudo da viabilidade de

conexão das áreas verdes de Vitória. In: ENCONTRO NACIONAL DE ENSINO DE

PAISAGISMO EM ESCOLAS DE ARQUITETURA E URBANISMO NO BRASIL, 8, 2006,

São Paulo. Anais... Vitória: UFES. p. 1-12.

COSTA ET AL. 180


BRAGA, R. Região e gestão metropolitana no final do século XX: uma análise do caso

paulista (limitações e avanços). In: SIMPÓSIO NACIONAL DE GEOGRAFIA URBANA, 6,

1999, PRESIDENTE PRUDENTE. Anais... Presidente Prudente: AGB, 1999. p. 320-325.

BOLAFFI, G. Urban planning in Brazil: past experience, current trends. Habitat

International, Oxford, v. 16, n. 2, p. 99-111, 1992.

CENTENO, J.A.S.; RIBEIRO, S.R.A.R. Um método simplificado de fusão de imagens. In:

SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 13, 2007, Florianópolis.

Anais... São José dos Campos: INPE, 2007. p. 5667-5673.

CIDADE DE SÃO PAULO. Disponível em:

<http://www.cidadedesaopaulo.com/dados.asp>. Acesso em: 05 mar. 2008

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA, IBGE. Disponível em:

<http://www.ibge.gov.br/home/default.php>. Acesso em: 05 mar. 2008.

LANDIS, J.R.; KOCH, G.G. The measurement of observer agreement for categorical data.

Biometrics, Washington v. 33, n.1, p. 159-174, 1977.

LILLESAND, T.M.; KIEFER, R.W.; CHIPMAN, J.W. Remote sensing and image

interpretation. 5th ed. New York: John Wiley, 2004. 763 p.

MICROIMAGES, TNTMIPS: Image Classification. Linconl: MicroImages, 2006. 36p.

MOREIRA, M.A. Fundamentos do sensoriamento remoto e metodologias de aplicação.

3 ed. Viçosa: UFV, 2005. 320 p.

OUMA, Y.O.; TATEISHI, R. Urban-trees extraction from Quickbird imagery using multiscale

spectex-filtering and non-parametric classification. Photogrammetric Engineering and

Remote Sensing, Washington, v. 63, n. 3, p. 333-351, 2008.

PILOTTO, J. Rede verde urbana: um instrumento de gestão ecológica. 2003. 206 p. Tese

(Doutorado em Engenharia de Produção) – Universidade Federal de Santa Catarina,

Florianópolis, 2003.



PINHO, C.M.D.; RENNÓ, C.D.; KUX, H.J.H. Avaliação de técnicas de fusão aplicadas à

imagem Quickbird. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 12,

2005, Goiânia. Anais... São José dos Campos: INPE, 2005. p. 4225-4232.

PORTAL DA PREFEITURA DA CIDADE DE SÃO PAULO. Disponível em:

<http://www.capital.sp.gov.br/portalpmsp/homec.jsp>. Acesso em: 28 jan 2009.

QUICKBIRD. Disponível em <http://www.sat.cnpm.embrapa.br/satelite/quickbird.html>.

Acesso em: 20 jun. 2008.

RIBEIRO, S.R.A.; CENTENO, J.A.S. Classificação do uso do solo utilizando redes neurais e

o algoritmo MAXVER. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 10,

2001. Foz do Iguaçu. Anais... São José dos Campos: INPE, 2001. p.1341-1348.

SILVA FILHO, D.F. Aplicação de videografia aérea multiespectral na avaliação de

floresta urbana. 2004. 88 p. Tese (Doutorado em Agronomia), Faculdade de Ciências

Agrárias e Veterinárias, Universidade Estadual Paulista “Júlio de Mesquita Filho”,

Jaboticabal, 2004.

SILVA FILHO, D.F.; PIVETTA, K.F.L.; COUTO, H.T.Z.; POLIZEL, J.L. Indicadores de

floresta urbana a partir de imagens aéreas multiespectrais de alta resolução. Scientia

Forestalis, Piracicaba, 67, p.88-100, 2005.

VALERIO, A.M.; SILVA, G.B.S.S.; KAMPEL, M.; STECH, J.L. Avaliação da classificação não

supervisionada do uso do solo e tipos de água no reservatório de manso, MT. Geografia:

Ensino e Pesquisa, Santa Maria, v. 12, n. 1, p. 4081-4095, 2008.

VRABEL, J. Multispectral imagery band sharpening study. Photogrammetric Engineering

and Remote Sensing, Washington, v. 62, n. 9, p. 1075-1083, 1996.

WEBER, C; PETROPOULOU, C.; HIRSCH, J. Urban development in the Athens

metropolitan area using remote sensing data with supervised analysis and GIS.

International Journal of Remote Sensing, Amsterdan, v. 26, n. 4, p. 785-796, 2005.

USO DE IMAGENS DE ALTA RESOLUÇÃO PARA AVALIAÇÃO DE...

Documents

Transcript of USO DE IMAGENS DE ALTA RESOLUÇÃO PARA AVALIAÇÃO DE...